Et direktionsteam, der siger "vi vil tage AI i brug", mener ofte ikke det samme dermed. Den ene halvdel tænker på en sprogmodel, der opsummerer rapporter, den anden på systemer, der delvist selv håndterer kundekontakt. Begge kræver teknologi, der kan bearbejde det, og kapacitet, der kan begelede det. Det er to forskellige former for parathed, og de vurderes sjældent hver for sig.
Omkostningerne ved AI-parathed ligger ikke primært i licenser. De ligger i det, der skal ske, før en opgave sikkert kan flytte fra et system til AI: data, der er findbar og opdateret, koblinger, der findes eller skal bygges, og mennesker, der ved, hvornår de skal godkende et resultat, og hvornår ikke. Hvad det koster, afhænger af, hvor mange af disse elementer der allerede er på plads, og hvor mange der stadig mangler.
Inden for enhver ambition, der forudsætter AI-arbejde, falder det underliggende arbejde i tre kategorier. AI kan overtage opgaven, uden at et menneske stadig ser på den. Et menneske fører tilsyn og godkender eller afviser, med begrundelse. Eller arbejdet forbliver menneskearbejde, fordi vurdering, kontekst eller ansvar kræver det.
Den nødvendige teknologi varierer efter kategori. Fuld overtagelse kræver pålidelige, velstrukturerede data og et system, der genkender fejlmeldinger, før de forårsager skade. Tilsyn med godkendelse kræver en grænseflade, hvor et menneske hurtigt kan se, hvorfor et system nåede frem til et resultat. Menneskearbejde kræver ofte ikke ny teknologi, men wel klarhed over, hvem der forbliver ansvarlig for hvad — det berører beslutningsrettigheder, der skal placeres på ny ved en forandring.
Virksomheder, der allerede foretager dette skel, mærker forskellen i, hvor hurtigt et pilotprojekt går fra forsøg til produktion. Virksomheder, der ikke gør det, bliver ved med at teste, uden at det bliver klart, hvilken del af arbejdet der reelt flytter sig.
Forskellen mellem virksomheder, der allerede i dag lader dette forløbe gnidningsfrit, og virksomheder, der endnu ikke er klar til det, ligger som regel ikke i valget af teknologi. Den ligger i tre ting, der går forud for det.
For det første: om organisationen ved, hvilke opgaver et proces består af, uafhængigt af den tilhørende stillingstitel. Uden den kortlægning er enhver udtalelse om "AI-parathed" et skøn.
For det andet: om de systemer, der findes nu, leverer data, som en AI-anvendelse kan bruge. Mange organisationer har data, der er korrekte for et menneske, der læser dem, men ikke tilstrækkeligt strukturerede til et system, der skal regne med dem.
For det tredje: om der er kapacitet — i timer, ikke i gode hensigter — til at begelede overgangen. Nogen skal kontrollere de første hundrede resultater, før et system må køre uden tilsyn. Disse timer står som regel i ingen plan.
Det første synlige tegn er ikke en omkostningsbesparelse, men en forskydning i, hvor tiden går hen. Arbejde, der tidligere bestod af udførelse, bliver arbejde, der består af vurdering. Det kræver andre kompetencer og somme tider en anden rolle, ikke automatisk færre mennesker.
Det andet tegn er, at spørgsmål, der tidligere lå hos IT, nu ligger hos direktionen. Hvilken beslutning må et system selv træffe, og hvilken skal altid bekræftes af et menneske? Det er en beslutningsret, ikke en teknisk indstilling, og den skal stå skrevet et sted, før hændelsen indtræffer.
Det tredje tegn ligger i budgettet. Frigjorte timer ét sted forsvinder ikke automatisk som en besparelse; de dukker ofte op som ekstra kapacitet et andet sted, for eksempel i kontrol, i kundekontakt på tidspunkter, hvor AI ikke er tilstrækkelig, eller i vedligeholdelsen af selve systemerne. Hvad det samlet betyder for budgettet, hænger sammen med, hvordan finansiel modstandsdygtighed er opbygget og hvilken margen der er til at absorbere den forskydning, før den giver afkast.
Denne test siger intet om, hvem en organisation beholder eller lader gå. Det er en beslutning med egne lovmæssige krav, uden for det, der beskrives her. Det, der beskrives her, er kapacitet: hvilke timer der frigøres, hvilke timer der er behov for mere af, og hvilken teknologi der skal understøtte det. Det gælder også for samarbejder med andre parter — hvad der gør et partnerskab AI-klar er medbestemmende for, om en forskydning internt overhovedet virker i kæden.
Det berører også compliance. Et system, der overtager en del af en proces, ændrer, hvem der påviseligt er ansvarlig for hvad, og det fortjener en egen vurdering af compliance og risiko, der skal gøres AI-klar.
Der kan ikke nævnes en procentsats, der gælder for enhver organisation. Det afhænger af, hvor meget data der allerede er brugbar, hvor mange processer der allerede er dokumenteret, og hvor meget kapacitet der er til at begelede den første periode. Virksomheder med meget ustruktureret data og lidt dokumentation starter med mere arbejde end virksomheder, der allerede har det på plads. Den forskel er netop grunden til, at et skøn på forhånd siger lidt, uden først at se på selve arbejdet, opgave for opgave — det er, hvad [arbejdsscanningen fra FTE TO AI](/) kortlægger opgave for opgave.
For at se, hvor Deres organisation er længst og mindst fremme, findes der en gratis parathedscheck: otte korte spørgsmål, ét per dimension, med et billede af, hvor paratheden allerede står, og hvor der stadig er arbejde at gøre. Den fulde ambitionstest, med de fire lag og fem confidence gates, er under udarbejdelse.
Vertel wat u wilt bereiken, dan kijken we samen wat daarvoor moet staan.
Answers come from this site’s knowledge base. Not tailored advice, and not a scan of your company.